МЕТОД ИДЕНТИФИКАЦИИ УКЛОНЕНИЙ ГОРНО-ВЫЕМОЧНОЙ МАШИНЫ НА ОСНОВЕ ФИЛЬТРАЦИИ ДАННЫХ БОРТОВЫХ ДАТЧИКОВ РАССТОЯНИЯ
Ключевые слова:
калийная шахта, горно-выемочная машина, позиционирование, навигация, уклонение от курса, фильтрация данных, фильтр Калмана, фильтр Хампеля, датчики расстояния, обработка сигналов, восстановление траекторииАннотация
Добыча калийной руды сопряжена с высокими рисками, ключевым из которых является нарушение целостности водозащитной толщи из-за отклонения горно-выемочных машин от проектного курса. Цель исследования заключается в разработке метода точной идентификации уклонений горно-выемочной машины в режиме реального времени для обеспечения эффективной и безопасной подземной добычи. Материалы и методы. В качестве исходных данных использованы показания четырех бортовых датчиков расстояния, установленных перпендикулярно оси движения комбайна. Расстояние между осями передних и задних датчиков – 8 м, ширина проходки – 5,1 м. Для подавления шумов, вызванных вибрацией и пылью, выполнено сравнение трех алгоритмов фильтрации данных: робастного фильтра Калмана, двухэтапного фильтра (медианный Hampel + Калман) и модельно-ориентированного расширенного фильтра Калмана (EKF). Эффективность фильтрации оценивалась по коэффициенту сглаживания. На основе отфильтрованных данных построена геометрическая модель для расчета курсового угла и восстановления траектории движения комбайна. Точка начала уклонения от прямолинейного курса определялась по критерию устойчивого выхода параметров за пределы 3σ. Результаты. Установлено, что лучшие результаты показал метод двухэтапной фильтрации «Hampel + Калман» (средний коэффициент сглаживания 0,8528). На основании отфильтрованных данных восстановлена траектория движения горно-выемочной машины, определен момент начала уклонения от прямолинейного курса на расстоянии 8,925 м от начальной точки. Заключение. Предложенный метод фильтрации и геометрического моделирования позволяет идентифицировать отклонения горно-выемочной машины от заданной траектории, но характеризуется накоплением ошибки (дрейфом) при последовательном восстановлении траектории движения и имеет допущение о постоянной скорости. Для устранения систематических погрешностей в дальнейшем предусмотрено объединение фильтра с нейросетевым корректирующим модулем, обученным на имитационной модели движения, а также использование механизма коррекции по одометрическим данным для периодического сброса накопленной ошибки.Библиографические ссылки
1. Underground Mine Positioning: A Review / F. Seguel, P. Palacios-Játiva, C.A. Azurdia-Meza et al. // IEEE Sensors Journal. 2022. Vol. 22, no. 6. P. 4755–4771. DOI: 10.1109/JSEN.2021.3112547
2. Wan J. et al. Vision and Inertial Navigation Combined-Based Pose Measurement Method of Cantilever Roadheader // Sustainability. 2023. Vol. 15, no. 8. P. 4018. DOI: 10.3390/su15054018
3. Huang Z. A multi-vision based pose measurement method for coal mine roadheader // IEEE Sensors Journal. 2025. Vol. 25, no. 19. P. 36906–36914. DOI: 10.1109/jsen.2025.3591429
4. Chen J., Wang H., Yang S. Tightly Coupled LiDAR-Inertial Odometry and Mapping for Underground Environments // Sensors. 2023. Vol. 23 (15). P. 6834. DOI: 10.3390/s23156834
5. Zhang J., Singh S. Laser–visual–inertial odometry and mapping with high robustness and low drift // Journal of Field Robotics. 2018. Vol. 35 (5). P. 1242–1264. DOI: 10.1002/rob.21809
6. Szafarczyk A., Skaba A., Sokalla K. Implementation of gyroscope measurements in underground mines; focus on the mine of ruch (unit) “Borynia” in the Jastrzębie Coal Company // Geoinformatica Polonica. 2019. Vol. 18. P. 113–120. DOI: 10.4467/21995923GP.19.009.11576
7. Development and Evaluation of a UWB–Based Indoor Positioning System for Underground Mine Environments / M. Ziegler, A.E. Kianfar, T. Hartmann, E. Clausen // Mining, Metallurgy & Exploration. 2023. Vol. 40. P. 1021–1040. URL: https://link.springer.com/article/10.1007/s42461-023-00797-z (дата обращения: 22.04.2026).
8. Практический опыт курсовой навигации проходческо-очистного комбайна на калийном месторождении / А.И. Кузнецов, Д.С. Кормщиков, Н.А. Князев, Я.Д. Кузнецов // Известия ТулГУ. Науки о Земле. 2024. № 4. С. 685–699.
9. Система навигации проходческо-очистного комбайна на калийных рудниках / Л.Ю. Левин, Д.С. Кормщиков, Е.Г. Кузьминых, А.М. Мачерет // Горный журнал. 2021. № 4. С. 92–96. DOI: 10.17580/gzh.2021.04.13
10. Brossard M., Bonnabel S., Barrau A. Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation // IEEE Robotics and Automation Letters. 2020. Vol. 5, no. 3. P. 4796–4803. DOI: 10.1109/lra.2020.3003256
11. Ding Y., Kim Y., Kim H. A Study on a High-Precision 3D Position Estimation Technique Using Only an IMU in a GNSS Shadow Zone // Sensors. 2025. Vol. 25 (23), P. 7133. DOI: 10.3390/s25237133
12. Повышение качества цифровых «двойников» горнодобывающих предприятий на базе стандартизации атрибутивного наполнения технологических 3D-моделей в ГГИС / Д.А. Стадник, О.З. Габараев, Н.М. Cтадник, К.Л. Григорян // Горный информационно-аналитический бюллетень. 2020. № 11-1. С. 202-212. DOI: 10.25018/0236-1493-2020-111-0-202-212
13. SegMap: segment-based mapping and localization using data-driven descriptors / R. Dube, A. Cramariuc, D. Dugas et al. // The International Journal of Robotics Research. 2019. DOI: 10.1177/0278364919863090
14. Zhang Z., Scaramuzza D. A Tutorial on Quantitative Trajectory Evaluation for Visual(-Inertial) Odometry // 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Madrid, Spain, 2018. P. 7244–7251. DOI: 10.1109/IROS.2018.8593941
15. Затонский А.В., Михалев П.В. Разработка имитационной модели движения горно-выра¬боточной машины // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. Т. 19, № 2. С. 166–174. DOI: 10.14529/ctcr190216
